I.12Рекомендации и персонализация

Карточка модели MahmoodAnaam/ModernBERT-large на Hugging Face совпадает с карточкой answerdotai/ModernBERT-base, поэтому описание составлено по ней. ModernBERT-base — двунаправленная encoder-only модель семейства Transformer в стиле BERT, разработанная в сотрудничестве Answer.AI, LightOn и их коллег. Она предварительно обучена на 2 триллионах токенов английских текстов и кода и предназначена для заполнения пропусков в тексте, а также как основа для прикладных задач понимания языка и поиска. Модель содержит 22 слоя и 149 млн параметров, поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, unpadding и Flash Attention для эффективной обработки длинных последовательностей. Она подходит для анализа длинных документов, классификации, семантического и кодового поиска после настройки под соответствующую задачу. Обучающие данные преимущественно англоязычные и включают код, поэтому качество для других языков может быть ниже. Обработка полного окна контекста может быть медленнее, чем коротких последовательностей; возможны смещения из обучающих данных. Лицензия — Apache-2.0.

Модель shahrukhx01/paraphrase-mpnet-base-v2-fuzzy-matcher — сиамская архитектура на основе MPNet, обученная на символьных токенах для нечеткого сопоставления текстов по эмбеддингам. Её можно использовать через библиотеку Sentence-Transformers. Модель предназначена для поиска похожих строк и записей, разрешения сущностей и связывания записей, в том числе в структурированных данных. Она принимает текст и выдаёт эмбеддинги, которые можно сравнивать для оценки сходства. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. В карточке не приведены результаты оценки качества или подробные сведения о данных обучения. Лицензия в доступных данных не указана.

QVikhr-3-4B-Instruction — русско-английская инструктивная языковая модель команды Vikhr, дообученная методом SFT на синтетическом датасете GrandMaster2 на основе Qwen/Qwen3-4B. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом до 40 960 токенов; веса опубликованы в формате Safetensors под лицензией Apache-2.0. Модель предназначена для диалогов по инструкциям, генерации ответов с учётом контекста и анализа текста, с особым упором на русский язык при поддержке английского. Её можно встраивать в пользовательские приложения и сервисы. В карточке приведён результат 78,2 в Ru Arena General против 64,8 у базовой Qwen3-4B; это результат указанного теста, а не гарантия качества в других сценариях. Карточка не приводит систематических оценок ошибок или ограничений. Как и другие генеративные языковые модели, она может выдавать неточные ответы; перед использованием важной информации нужна проверка.

PM-AI/sts_paraphrase_xlm-roberta-base_de-en — модель XLM-RoBERTa для оценки семантического сходства предложений на немецком и английском языках. Разработчик дообучил её на парах предложений из STSb, SICK и Priya22, используя функцию потерь косинусного сходства; модель принимает немецкие, английские и смешанные пары текстов и формирует эмбеддинги для сравнения по cosine similarity. Модель предназначена для семантического поиска, ранжирования результатов по смысловой близости, поиска перефразирований и межъязыкового поиска между немецкими и английскими текстами. README приводит результаты оценки на указанных наборах данных и рекомендует использовать модель через библиотеку Sentence Transformers. Архитектура — XLM-RoBERTa, размер — 305,2 млн параметров, контекст — до 514 токенов. Лицензия — MIT. По описанию обучения, базой для STS-дообучения служит PM-AI/paraphrase-distilroberta-base-v2_de-en, ранее полученная дистилляцией модели paraphrase-distilroberta-base-v1 для поддержки немецкого языка. Оценка проводилась на ограниченных наборах предложений, описанных как преимущественно простые; качество на иных типах текстов и за пределами немецкого и английского языков не подтверждено.

BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Mistral-7B-v0.2-OpenHermes — языковая модель macadeliccc, дообученная методом SFT на базе alpindale/Mistral-7B-v0.2. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; шаблон запросов — ChatML. В карточке отмечена пригодность модели для сценариев RAG. Её можно использовать для ответов на вопросы и генерации текста в диалоговых приложениях; для конкретной базы знаний автор рекомендует дополнительное дообучение. Заявлена длина контекста 32 768 токенов. Обучение выполнено на наборе OpenHermes-2.5 с использованием Unsloth и TRL; README приводит результаты нескольких бенчмарков, но не описывает протокол оценки полностью. Модель работает с текстом и поддерживает английский язык. Опубликованные веса доступны в формате Safetensors; в README также упомянуты варианты квантования GGUF, AWQ, HQQ-4bit и ExLlamaV2. Лицензия — Apache-2.0.

google-bert/bert-base-multilingual-uncased — базовая многоязычная модель BERT, разработанная командой Google. Это плотная трансформерная архитектура BertForMaskedLM с 194,6 млн параметров, обученная на текстах Википедии для 102 языков с помощью masked language modeling и предсказания следующего предложения. Модель приводит текст к нижнему регистру, использует общую WordPiece-лексиконную таблицу размером 110 000 токенов и поддерживает контекст до 512 токенов. Модель предназначена для восстановления замаскированных слов и получения контекстных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она принимает текст и в задаче fill-mask выдаёт вероятные подстановки для пропущенных токенов. Это энкодерная модель, поэтому она не предназначена для свободной генерации текста. Нижний регистр стирает различия между прописными и строчными буквами; предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

dfrokido/bge-large-e8-snap — англоязычная модель эмбеддингов на архитектуре BERT, разработанная в проекте LatticeMemory. Она дообучена на базе BAAI/bge-large-en-v1.5 методом RF-Snap: выходные векторы обучены привязываться к ближайшим точкам решётки E8, формируя компактный 128-байтовый адрес наряду с обычным эмбеддингом размерности 1024. Модель содержит 433,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Адрес E8 предназначен для быстрого поиска точных и близких повторов текста, дедупликации и сопоставления намерений из закрытого набора. Эмбеддинги также подходят для сходства предложений: на STSBenchmark модель показала Spearman 0,8714 против 0,8637 у базовой модели. Для перефразирований и асимметричного поиска по парам запрос–документ адрес E8 сам по себе ненадёжен; для таких сценариев README рекомендует другие режимы библиотеки LatticeMemory. Модель распространяется под лицензией Apache-2.0. Указанный размер адреса E8 не означает уменьшения общего объёма хранимых эмбеддингов: LatticeMemory сохраняет полные векторы отдельно.

Na0s/Llama-3.1-8B-Pruned-4-Layers_LoRA-PEFT-3.0 — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная Na0s. Это дообученная версия предыдущего чекпойнта Na0s/Llama-3.1-8B-Pruned-4-Layers_LoRA-PEFT-2.0 на наборе teknium/openhermes. В исходной модели удалили четыре слоя Meta-Llama-3.1-8B, а затем дообучили модель, чтобы восстановить часть потери качества. В репозитории указано 6,4 млрд параметров; метаданные заявляют контекст до 131 072 токенов. Модель предназначена для генерации текста и решения задач общего назначения, включая вопросы и ответы, рассуждения и продолжение текста. В опубликованных оценках версия 3.0 улучшила результаты относительно обрезанной модели на MMLU-Pro, BoolQ, BigBench и наборах few-shot; при этом показатели на MMLU-Pro остаются ниже исходной Meta-Llama-3.1-8B. Автор также сообщает о снижении потребления памяти и задержки инференса в своих тестах. Модель принимает и генерирует текст; метаданные не задают отдельного основного языка. Лицензия — Apache-2.0.

MaziyarPanahi/M7Yamshadowexperiment28_Experiment24Inex12 — слитая языковая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текст. Модель создана путём объединения automerger/M7Yamshadowexperiment28-7B и automerger/Experiment24Inex12-7B. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0.

NeoMME-260M-Retriever-ST-dense — мультимодальная модель поиска документов от Hcompany, дообученная на базе Hcompany/NeoMME-260M-Retriever. Это одно-башенный энкодер на основе двунаправленного Transformer: он кодирует текстовые запросы и текстовые документы или изображения страниц в плотные эмбеддинги. Модель содержит 366 млн параметров, использует Sentence Transformers и поддерживает контекст до 16 384 токенов. Эмбеддинги нормализованы по L2 и предназначены для сравнения по косинусному сходству. Модель подходит для поиска релевантных документов по текстовому запросу в текстовых коллекциях и среди изображений страниц, в том числе для визуального поиска по документам. Вариант ST-dense выдаёт только плотные эмбеддинги; лицензия — Apache-2.0.

mychen76/openmixtral-6x7b-v2 — текстовая генеративная модель семейства Mixtral с архитектурой MoE, представленная в формате safetensors. Согласно карточке, это квантизированная версия openmixtral-6x7b-merged_v2, созданной слиянием шести моделей размером 7B. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться для ответов на вопросы, рассуждений и продолжения текстовых запросов. В карточке приведены результаты Open LLM Leaderboard, включая оценки AI2 Reasoning Challenge и HellaSwag. Язык модели отдельно не указан. Репозиторий распространяется по лицензии Apache-2.0.

aiknowyou выпустил aiknowyou/all-mpnet-base-questions-clustering-en — англоязычную модель Sentence Transformers на базе All-mpnet-base-v2, дообученную для группировки вопросов по смыслу. MPNet преобразует предложения и абзацы в плотные векторы размерностью 768; их можно использовать для кластеризации, поиска семантически близких вопросов и оценки сходства. Обучение проводилось на данных Quora, WikiAnswers и StackExchange. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; заявленная длина контекста — 514 токенов. В README приведены результаты оценки на тестовой выборке WikiAnswer, но они не гарантируют такую же точность на других данных. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

google/bert_uncased_L-12_H-256_A-4 — компактная англоязычная модель BERT от Google из серии BERT Miniatures, описанной в работе «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Она обучена без учёта регистра с маскированием токенов WordPiece и имеет 12 слоёв, скрытый размер 256 и 4 attention-головы; максимальная длина контекста — 512 токенов. Число параметров — около 20,4 млн. Модель предназначена для задач понимания текста и для сред с ограниченными вычислительными ресурсами. Её можно дообучать для классификации и других задач обработки языка; авторы отмечают, что особенно полезна она в дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Доступны веса в форматах PyTorch и Flax. Лицензия Apache-2.0. Как компактная модель, она может уступать более крупным моделям по качеству; README рекомендует для лучших результатов дистилляцию от более точного учителя.

MaziyarPanahi/MeliodasPercival_01_T3qm7xExperiment26 — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов по текстовому запросу, включая работу с длинным контекстом до 32 768 токенов. Модель создана слиянием automerger/MeliodasPercival_01-7B и automerger/T3qm7xExperiment26-7B. Модель распространяется в формате safetensors по лицензии Apache-2.0. В предоставленных материалах нет сведений о специальной предметной области или языках, на которых она оптимизирована.

illuin-conteb/modernbert-large-insent — модель эмбеддингов предложений на базе ModernBERT-large, разработанная авторами проекта Contextual Embeddings. Она дообучена на ConTEB с использованием подхода InSeNT для построения контекстных представлений документов и поиска нужных фрагментов с учётом окружающего контекста. Модель выдаёт векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина входа — 8192 токена. Модель предназначена для контекстного поиска и сопоставления текстовых фрагментов, где релевантность зависит от соседнего материала. В карточке описан экспериментальный чекпойнт: авторы сообщают о перспективных результатах, но также о снижении качества на стандартных задачах эмбеддингов и необходимости дальнейшего улучшения устойчивости и обобщения на новые данные. Сведения о лицензии в предоставленных источниках отсутствуют.

MaziyarPanahi/neural-chat-7b-v3-3-Slerp-Mistral-7B-Instruct-v0.2-slerp — это объединённая методом SLERP диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В слиянии использованы mistralai/Mistral-7B-Instruct-v0.2 и Intel/neural-chat-7b-v3-3-Slerp; конфигурация указывает bfloat16. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате, а также поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не приводит сведений о целевых языках или специализированной области применения. Репозиторий распространяется по лицензии Apache-2.0. Конкретные ограничения качества и безопасности в карточке не описаны.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.

MaziyarPanahi/Phi-3-Context-Obedient-RAG-GGUF — это квантизированная версия языковой модели TroyDoesAI/Phi-3-Context-Obedient-RAG, подготовленная MaziyarPanahi в формате GGUF. Модель предназначена для генерации текста и диалоговых сценариев, в том числе задач retrieval-augmented generation (RAG), где требуется работать с предоставленным контекстом и следовать ему. Модель относится к семейству Phi-3; README не указывает точный размер, архитектурные параметры, длину контекста, поддерживаемые языки или мультимодальные возможности. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством. Формат GGUF поддерживается llama.cpp и совместимыми инструментами, включая llama-cpp-python, LM Studio и text-generation-webui, поэтому модель подходит для локального запуска и интеграции в приложения. Сильными сторонами являются локальное использование, широкий выбор уровней квантизации и специализация исходной модели на контекстно-ориентированной генерации для RAG. Ограничения включают отсутствие в README подробных результатов оценки, характеристик производительности и гарантии качества для конкретных языков или прикладных сценариев. Для модели указана лицензия CC BY-SA 4.0.

Apollo-Astralis V1 4B — разговорная модель для рассуждений, разработанная VANTA Research на основе Qwen3-4B-Thinking. Это авторегрессионный трансформер семейства Qwen3 с 3,7 млрд параметров по метаданным; модель дообучена методом LoRA и настроена на пошаговое рассуждение, совместное решение задач и тёплое, эмпатичное общение. Она предназначена для диалогов, логического анализа, объяснения решений и поддерживающих ответов. Модель рассчитана прежде всего на английский язык; контекстное окно составляет 262 144 токена по метаданным. Выпускается под лицензией Apache 2.0. Модель может чрезмерно эмоционально реагировать даже в ситуациях, требующих спокойного тона; она не оптимизирована для задач соревновательной математики и может испытывать трудности в узкоспециализированных технических областях. Ответы могут содержать фактические ошибки, поэтому важные сведения следует проверять.

Карточка модели TigerByteCyber/bge-m3-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/bge-m3-zeroshot-v2.0, поэтому описание составлено по ней. MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

comsat-embed-ja-8b-preview — плотная декодерная модель эмбеддингов, разработанная Sionic AI и дообученная для семантического поиска на японском языке. Она кодирует запросы и документы в векторы для поиска по смысловой близости и подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов при ответах на вопросы. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3 и принимает текст. README сообщает о тренировке на более чем 1,5 млн японских примеров и длине входа до 8 192 токенов; метаданные указывают контекст до 40 960 токенов. Векторы размерности 4096 формируются с pooling по последнему токену, нормализуются по L2 и сравниваются по косинусному сходству. Запросы следует кодировать с инструкционным префиксом, документы — без него. На JMTEB v2 модель показала средний NDCG@10 0,8133 по 11 задачам поиска. Основной язык модели — японский; метаданные также указывают английский. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Результаты бенчмарка относятся к описанным условиям оценки; пропуск префикса запроса может снизить качество поиска.

Experiment26Neuralsirkrishna_Strangemerges_32Ogno — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_32Ogno-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому её можно описать как модель общего назначения.

sgugger/finetuned-bert-mrpc — модель классификации последовательностей на базе BERT, дообученная на наборе GLUE для задачи MRPC, связанной с определением смысловой эквивалентности пар предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые входы с контекстом до 512 токенов. Модель подходит для определения, выражают ли два предложения одинаковый смысл, например, для сопоставления перефразировок. На оценочной выборке указаны accuracy 0,8235 и F1 0,8792. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Языковая специализация в карточке не указана.

GODEL-v1_1-large-seq2seq — крупная предварительно обученная модель для целевых диалогов, разработанная Microsoft. Она построена на архитектуре Transformer encoder-decoder семейства T5 и предназначена для генерации ответов с учётом контекста беседы и внешней текстовой информации, например найденного документа. Модель можно дообучать на небольшом наборе диалогов под конкретную задачу. Версия 1.1 обучалась на 551 млн многоходовых диалогов Reddit и 5 млн диалогов с инструкциями и опорой на знания. Модель содержит 385,2 млн параметров, принимает и генерирует текст, поддерживает контекст до 512 токенов и рассчитана на диалоговые сценарии. В карточке указана лицензия MIT.

GPT-JT-6B-v1 — языковая модель Together, дообученная на базе GPT-J (6B) с использованием децентрализованного алгоритма обучения. Она предназначена для генерации текста по запросу и особенно ориентирована на задачи классификации, например определение тональности. Модель использует архитектуру GPT-J с плотной сетью и цель обучения UL2: входной запрос доступен модели с двунаправленным контекстом, а продолжение генерируется авторегрессионно. Обучение включало 3,53 млрд токенов из The Pile, Natural-Instructions, P3 и данных Chain-of-Thought. Контекст модели — 2048 токенов; в карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Заявления карточки о сравнении с более крупными моделями относятся к классификационным бенчмаркам и сами по себе не гарантируют качество на других задачах.

Biggiraffe дообучил диалоговую модель kakaocorp/kanana-1.5-8b-instruct-2505, основанную на плотной архитектуре Llama. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и генерации текста. Базовая Kanana также рассчитана на программирование, математику и работу с инструментами, однако карточка этого варианта не описывает, как именно дообучение на Persona изменило его поведение или для каких конкретных сценариев оно проводилось. Модель распространяется по лицензии Apache-2.0.

LightOn-rerank-LW-0.8B — мультимодальный кросс-энкодерный реранкер компании LightOn на базе Qwen/Qwen3.5-0.8B. Он совместно дообучен на текстовых и визуальных данных для переранжирования кандидатов, уже найденных первым этапом поиска: модель сопоставляет текстовый запрос с фрагментами текста или изображениями страниц документов, например PDF и слайдов. Модель использует генеративное списочное ранжирование: за один запрос она сравнивает четыре кандидата и генерирует их порядок; более крупные наборы обрабатываются скользящим окном. Вес модели составляет около 0,85 млрд параметров, опубликованные веса — bfloat16. Для работы требуется Transformers версии 5.4.0 или выше с поддержкой архитектуры qwen3_5. Модель показывает сильные результаты на визуальном ранжировании ViDoRe V3 с учётом её размера; область применения — прежде всего системы поиска, где важна экономия памяти ускорителя. Обучение проводилось на английских данных. В README заявлен перенос на французский без дополнительного обучения; качество в среднем несколько ниже, чем на английском. Списочный режим имеет более высокую задержку, чем поточечное оценивание, а на фармацевтических документах модель слабее ряда моделей класса 2B. Лицензия — Apache-2.0.

mmBERT-32K-YaRN — многоязычная модель семейства ModernBERT, разработанная для семейства vLLM Semantic Router Mixture-of-Models на основе jhu-clsp/mmBERT-base. Контекстное окно расширено с 8 192 до 32 768 токенов с помощью масштабирования RoPE методом YaRN. Модель содержит около 307 млн параметров и предназначена для заполнения масок в тексте; её также можно применять для понимания длинных документов, семантической маршрутизации запросов, классификации документов и поиска информации в длинных текстах. Модель обучалась на многоязычном корпусе CC-100. В карточке указана поддержка более 1 800 языков базовой модели, а метаданные перечисляют английский, немецкий, французский, испанский, китайский, японский, русский, арабский, корейский и португальский. Доступны веса Safetensors и экспорт ONNX; лицензия — MIT. По данным карточки, точность извлечения существенно снижается для удалённых фрагментов дальше 2 048 токенов, несмотря на окно в 32 768 токенов. Для полного контекста требуется значительный объём видеопамяти — около 180 ГБ на один пример. Данные CC-100 могут наследовать смещения веб-краула.

Ramonda-7B-DPO-TIES — объединённая языковая модель, созданная mayacinka методом TIES с помощью LazyMergekit на основе paulml/OGNO-7B и bardsai/jaskier-7b-dpo-v4.3. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов. В README приведены результаты оценок на наборах Open LLM Leaderboard и LLM AutoEval; они не гарантируют аналогичное качество в конкретных приложениях. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые языки и специальные ограничения; фактическое качество зависит от запроса и сценария применения.